拉瓦塞特:潜伏变量树木的随机集合. 对于具有空间,光谱和时间依赖性的相关数据集的整体方法

科学领域:

• 机器学习 机器学习
• 生物信息学是一种生物信息学.
• 数据科学数据科学数据科学

背景情况:

• 随机森林 (RF) 对于特征选择和尺寸缩小是有效的,因为它们的可解释性和预测准确性.
• 然而,RFs与相关的数据集扎,通过对单个特征赋予高度重要性,导致效率低下的维度缩小.
• 解决特征相关性对于高维数据中可靠的变量选择至关重要.

研究的目的:

• 引入LAtent VAriable Stochastic Ensemble of Trees (LAVASET) 方法,以改善特征选择和尺寸缩小.
• 解决传统随机森林在处理相关变量方面的局限性.
• 开发一个模型,有效地将相关性纳入特征分割过程.

主要方法:

• 拉瓦塞特根据特征距离特征推导出潜在变量.
• 它将相关系因子直接纳入树分裂步骤.
• 该方法在模拟和真实1D和3D数据集上进行了测试.

主要成果:

• 与RF相比,LAVASET在相关变量中显示出更好的特征重要性准确性.
• 在各种数据集中,预测准确度通常不低于传统的射频.
• 通过考虑当地的特征社区,LAVASET对单一重要的噪音特征具有强度.

结论:

• 拉瓦塞特提供了一种更有效,更准确的尺寸缩小方法,特别是在相关的数据集.
• 该方法有效地识别和突出显示集体为预测能力做出贡献的特征组.
• 拉瓦塞特为复杂,高维度数据分析提供了传统射频的有价值替代品.